CN108052929A - 车位状态检测方法、系统、可读存储介质和计算机设备 - Google Patents

Abstract

本申请涉及一种车位状态检测方法、系统、可读存储介质和计算机设备。所述方法包括：获取待检测车位的图像数据；从待检测车位的图像数据中提取待检测图像特征向量；根据待检测图像特征向量和预设的神经网络检测模型进行车位状态检测；获取并推送车位状态检测的结果。本申请的方案从待检测车位的图像数据中提取待检测图像特征向量，并将该待检测图像特征向量输入预设的神经网络检测模型中进行车位状态检测，有效地提高了车位状态检测的抗干扰性，提高了车位状态检测的准确率。

Description

车位状态检测方法、系统、可读存储介质和计算机设备

技术领域

本申请涉及停车场智能控制技术领域，特别是涉及一种车位状态检测方法、系统、计算机可读存储介质和计算机设备。

背景技术

随着大型停车场的不断增多，车位管理难度日益增加，越来越多的停车场都用上了车位引导系统。车位引导主要是通过地磁、超声波和视频等手段实现对车位上车辆状态的检测，并将车位状态数据通过有线或无线的方式在停车场里的车位引导屏和车位指示灯上表示出来，达到停车引导的作用。

目前，通过视频对车位进行检测的方法大多数是通过检测车牌来实现车位状态检测的，但对车位上的车牌识别准确率有限，也无法有效监测出没有车牌的车辆，容易导致经常性的车位状态检测出错，进而导致停车引导出错。

发明内容

基于此，有必要针对上述问题，提供一种检测准确率高的车位状态检测方法、系统、计算机可读存储介质和计算机设备。

一种车位状态检测方法，包括步骤：

获取待检测车位的图像数据；

从待检测车位的图像数据中提取待检测图像特征向量；

根据待检测图像特征向量和预设的神经网络检测模型进行车位状态检测；

获取并推送车位状态检测的结果。

在一个实施例中，获取待检测车位的图像数据的步骤包括：

采集待检测车位的视频流数据；

从视频流数据中提取待检测车位的单帧图像数据；

确认车位检测区域；

根据车位检测区域从单帧图像数据中截取待检测车位的图像数据。

在一个实施例中，从待检测车位的图像数据中提取待检测图像特征向量的步骤包括：

将待检测车位的图像数据按照预设尺寸进行缩放，得到缩放后的图像数据；

对缩放后的图像数据进行伽马校正，得到校正后的图像数据；

对校正后的图像数据进行灰度化处理，得到灰度化图像数据；

从灰度化图像数据中提取待检测图像特征向量。

在一个实施例中，从灰度化图像数据中提取待检测图像特征向量的步骤包括：

获取灰度化图像数据的图像梯度，图像梯度包括梯度幅值和梯度方向；

根据预设的权重投影函数，将梯度幅值按照梯度方向进行加权投影，得到灰度化图像数据的方向梯度直方图；

通过预设归一化函数将灰度化图像数据的方向梯度直方图进行归一化处理，得到灰度化图像数据的方向梯度直方图特征向量，待检测图像特征向量包括方向梯度直方图特征向量。

在一个实施例中，获取灰度化图像数据的图像梯度的步骤包括：

将灰度化图像数据按照预设分割规则进行分割，得到单元图像数据；

将单元图像数据按照预设块组合规则进行组合，得到块图像数据；

分别获取单元图像数据的图像梯度和块图像数据的图像梯度，灰度化图像数据的图像梯度包括单元图像数据的图像梯度和块图像数据的图像梯度。

在一个实施例中，根据预设的权重投影函数，将梯度幅值按照梯度方向进行加权投影，得到灰度化图像数据的方向梯度直方图的步骤包括：

获取预设的权重投影函数；

根据权重投影函数分别将单元图像数据的图像梯度和块图像数据的图像梯度进行加权投影，得到单元图像数据的方向梯度直方图和块图像数据的方向梯度直方图，灰度化图像数据的方向梯度直方图包括单元图像数据的方向梯度直方图和块图像数据的方向梯度直方图。

在一个实施例中，根据待检测图像特征向量和预设的神经网络检测模型进行车位状态检测的步骤之前包括：

采集车位样本图像数据；

从车位样本图像数据中提取车位样本图像特征向量；

将车位样本图像特征向量输入神经网络模型中进行训练，得到预设的神经网络检测模型。

一种车位状态检测系统，包括：

图像数据获取模块，用于获取待检测车位的图像数据；

特征向量提取模块，用于从待检测车位的图像数据中提取待检测图像特征向量；

车位状态检测模块，用于根据待检测图像特征向量和预设的神经网络检测模型进行车位状态检测；

检测结果推送模块，用于获取并推送车位状态检测的结果。

一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上所述方法的步骤。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上所述方法的步骤。

上述车位状态检测方法、系统、计算机可读存储介质和计算机设备，获取待检测车位的图像数据，从待检测车位的图像数据中提取待检测图像特征向量，根据待检测图像特征向量和预设的神经网络检测模型进行车位状态检测，最后获得并推送车位状态检测的结果。本申请的方案从待检测车位的图像数据中提取待检测图像特征向量，并将该待检测图像特征向量输入预设的神经网络检测模型中进行车位状态检测，有效地提高了车位状态检测的抗干扰性，提高了车位状态检测的准确率。

附图说明

图1为本申请一实施例中车位状态检测方法的流程示意图；

图2为一三层神经网络的结构图；

图3为本申请一实施例中获取待检测车位的图像数据的步骤的流程示意图；

图4为本申请一实施例中车位状态检测系统的结构示意框图。

具体实施方式

为使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本申请，并不限定本申请的保护范围。

图1为本申请一实施例中车位状态检测方法的流程示意图。如图1所述，本实施例中，车位状态检测方法包括步骤：

步骤S101：获取待检测车位的图像数据。

待检测车位的图像数据可以通过摄像机拍摄得到，具体的，可以直接拍照得到待检测车位的图像数据，也可以从拍摄的视频流数据中分解、截取得到。具体的，可以通过在停车场内设置监控摄像头进行视频拍摄，获取停车场内待检测车位的视频流数据，然后从视频流数据中截取待检测车位的图像数据。在具体应用时，可以一次获取多个待检测车位的图像数据进行并行车位状态检测，或在预设周期内多次获取待检测车位的图像数据进行车位状态检测，以增强检测结果的可信度。

步骤S103：从待检测车位的图像数据中提取待检测图像特征向量。

获得待检测车位的图像数据后，从中提取待检测图像特征向量。其中，待检测图像特征向量用于描述待检测车位的图像数据的特征，具体可以为方向梯度直方图(Histogramof Oriented Gradient，HOG)的特征向量，方向梯度直方图的特征向量是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，通过计算和统计图像局部区域的梯度方向直方图可以构成方向梯度直方图的特征向量。

步骤S105：根据待检测图像特征向量输入预设的神经网络检测模型进行车位状态检测。

获得待检测图像特征向量后，将其输入预设的神经网络检测模型中进行车位状态检测。其中，神经网络检测模型可以为预先训练完成的人工神经网络(Artificial NeuralNetwork，ANN)，人工神经网络是一种运算模型，由大量的节点(或称神经元)之间相互连接构成，每个节点代表一种特定的输出函数，称为激励函数，每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。人工神经网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。图2为一三层神经网络的结构图。如图2所示，该神经网络包括输入层、隐含层和输出层，其中，输入层导入输入X₁，X₂，…X_n；输出层输出结果Y₁，…Y_m。在具体应用中，进行车位状态检测时，将待检测图像特征向量作为神经网络检测模型的输入，则神经网络检测模型的输出即可作为车位状态检测的结果。

步骤S107：获取并推送车位状态检测的结果。

将待检测图像特征向量输入预设的神经网络检测模型进行车位状态检测后，得到神经网络检测模型的输出结果，即为车位状态检测的结果，最后推送该车位状态检测的结果。在具体应用时，鉴于一次检测的结果可信度有限，可以在预设的周期内进行多次检测，得到多个车位状态检测的结果，然后根据各个车位状态检测的结果进行综合判定，以确保能给出准确的车位状态检测结果。例如，若第一次车位状态检测结果为无车状态，再重复进行4次检测，而重复4次的检测结果均为有车状态，则可以判断第一次检测的结果有误，舍去，而将后4次的检测结果作为最终的车位状态检测的结果。在具体应用时，当监测到存在多个车位状态检测的结果时，对各结果进行分类、统计，选择数目较多的结果作为最终车位状态检测的结果并推送。

上述车位状态检测方法、系统、计算机可读存储介质和计算机设备，获取待检测车位的图像数据，从待检测车位的图像数据中提取待检测图像特征向量，根据待检测图像特征向量和预设的神经网络检测模型进行车位状态检测，最后获得并推送车位状态检测的结果。本实施例的方案从待检测车位的图像数据中提取待检测图像特征向量，并将该待检测图像特征向量输入预设的神经网络检测模型中进行车位状态检测，有效地提高了车位状态检测的抗干扰性，提高了车位状态检测的准确率。

进一步地，图3为本申请一实施例中获取待检测车位的图像数据的步骤的流程示意图。如图3所示，本实施例中，获取待检测车位的图像数据的步骤包括：

步骤S301：采集待检测车位的视频流数据。

通过在待检车车位周边设摄像机进行视频拍摄，采集待检测车位的视频流数据。

步骤S303：从视频流数据中提取待检测车位的单帧图像数据。

从该视频流数据中提取待检测车位的单帧图像数据。一般摄像机拍摄的范围比待检测车位的范围大，所以从视频流数据中提取出待检测车位的单帧图像数据包括待检测车位的图像数据及其他多余非待检测车位范围内的图像数据，有必要将其它非待检测车位范围内的图像数据进行滤除，以减少数据处理量，提高车位检测效率。

步骤S305：确认车位检测区域。

单帧图像数据可能包括其他多余的非待检测车位范围内的图像数据，通过确认车位检测区域，对单帧图像数据进行裁剪，可以有效的降低数据处理量。具体的，可以基于图像识别，从单帧图像数据中识别车位检测区域，车位检测区域可以为停车场中在地面所划分标识的车位区域，通过识别单帧图像数据中的车位检测区域，确定待检测车位的在该单帧图像数据中的位置。在具体应用时，可以设置车位检测区域划分规则，如可以为识别到车位区域的三条边界线，即确定车位检测区域位置。也可以由外部控制端直接进行确认，如可以由外部控制端直接标识出车位检测区域。确认车位检测区域后，根据该车位检测区域从单帧图像数据中截取待检测车位的图像数据。

步骤S307：根据车位检测区域从单帧图像数据中截取待检测车位的图像数据。

确定待检测车位的在单帧图像数据中的位置后，可以通过图像裁减，将待检测车位的图像数据从单帧图像数据中截取出来，以减少后续图像处理的数据量，能有效地提高车位检测效率。

进一步地，从待检测车位的图像数据中提取待检测图像特征向量的步骤可以包括：

将待检测车位的图像数据按照预设尺寸进行缩放，得到缩放后的图像数据；

对缩放后的图像数据进行伽马校正，得到校正后的图像数据；

对校正后的图像数据进行灰度化处理，得到灰度化图像数据；

从灰度化图像数据中提取待检测图像特征向量。

获得待检测车位的图像数据后，将其按照预设尺寸进行缩放，得到缩放后的图像数据，例如将待检测车位的图像数据的尺寸缩放至48像素*64像素的大小。继续对缩放后的图像数据进行伽马校正，得到校正后的图像数据，其中，伽马校正(Gamma Correction)是指对图像的伽马曲线进行编辑，以对图像进行非线性色调编辑的算法，通过检出图像信号中的深色部分和浅色部分，并使两者比例增大，从而提高图像对比度效果。本申请的车位状态检测方法中，通过对缩放后的图像数据进行伽马校正，可以减小停车场内由于光线强弱不同对图像特征带来的影响，从而增强车位状态检测的抗干扰性，提高车位状态检测的检测准确率。然后对校正后的图像数据进行灰度化处理，得到灰度化图像数据，其中，灰度化处理是指将彩色图像转化成为灰度图像的过程成为图像的灰度化处理，在RGB色彩模式的图像中，彩色图像中的每个像素的颜色有R、G、B三个分量决定，灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其一个像素点的变化范围为255种，所以将各种格式的图像转变成灰度图像可以进一步降低后续的图像的计算量，而灰度图像的描述与彩色图像一样仍可以反映整幅图像的整体和局部的色度和亮度等级的分布和特征。最后，从灰度化图像数据中提取待检测图像特征向量，待检测图像特征向量具体可以为方向梯度直方图的特征向量。更进一步地，也可以先对获取的待检测车位的图像数据进行伽马校正，如进行系数1/1.22的伽马校正，然后对伽马校正后的图像数据进行尺寸缩放，再对尺寸缩放后的图像数据进行灰度化处理，最后从灰度化图像数据中提取待检测图像特征向量。

进一步地，从灰度化图像数据中提取待检测图像特征向量的步骤可以包括：

获取灰度化图像数据的图像梯度，图像梯度包括梯度幅值和梯度方向；

根据预设的权重投影函数，将梯度幅值按照梯度方向进行加权投影，得到灰度化图像数据的方向梯度直方图；

通过预设归一化函数将灰度化图像数据的方向梯度直方图进行归一化处理，得到灰度化图像数据的方向梯度直方图特征向量，待检测图像特征向量包括方向梯度直方图特征向量。

其中，首先获取灰度化图像数据的图像梯度，图像梯度包括梯度幅值和梯度方向，图像梯度即为图像中对应的一阶微分函数。具体的，函数f(x)可以利用如下公式(1)所示的一阶微分处理计算图像梯度，一阶微分处理一般对灰度阶梯有较强的响应。

而对于图像f(x,y)，在其坐标(x,y)上的梯度是通过如下公式(2)进行定义：

其中，为图像f(x，y)的图像梯度，是一二维列向量，Gx是沿x方向上的梯度，Gy是沿y方向上的梯度，梯度的模值可以通过公式(3)得到：

其中，为欧几里得2-范数。进一步采用模板[-1,0,1]为例计算图像梯度以及方向，通过梯度模板计算水平和垂直方向的梯度分别如下：

其中，G_h(x,y)和G_v(x,y)分别表示图像f(x,y)中像素点(x,y)水平方向梯度和垂直方向梯度。梯度幅值G(x,y)可以根据公式(5)得到：

梯度方向θ(x,y)可以根据公式(6)得到：

对于梯度方向的范围限定，一般采用无符号的范围，梯度方向θ(x,y)可进一步表示为如公式(7)所示：

通过上述公式得到灰度化图像数据的梯度幅值和梯度方向后，根据预设的权重投影函数，将梯度幅值按照梯度方向进行加权投影，得到灰度化图像数据的方向梯度直方图。对于梯度方向的加权投影，一般都采用一个权重投影函数，它可以是图像的梯度幅值、梯度幅值的平方根或梯度幅值的平方，甚至可以使梯度幅值的省略形式，它们都能够一定程度上反应出像素上一定的边缘信息。最后通过预设归一化函数将灰度化图像数据的方向梯度直方图进行归一化处理，得到灰度化图像数据的方向梯度直方图特征向量，待检测图像特征向量包括方向梯度直方图特征向量。具体的，归一化函数可以如下公式(8)所述：

其中，L2-norm指L2范数，||v_k||₂表示v的k阶范数，k取1、2，ε表示一个很小的常数，避免分母为0。通过上述归一化处理后，可以得到一个高维度的方向梯度直方图特征向量，即为待检测图像特征向量。具体的，若待检测车位的图像数据被分割为β个单元图像数据、个块图像数据，每个块图像数据中包括η个单元图像数据，则归一化处理后可以得到由个数据组成的高维度向量。

进一步地，获取灰度化图像数据的图像梯度的步骤可以通过以下形式进行：

将灰度化图像数据按照预设分割规则进行分割，得到单元图像数据；

将单元图像数据按照预设块组合规则进行组合，得到块图像数据；

分别获取单元图像数据的图像梯度和块图像数据的图像梯度，灰度化图像数据的图像梯度包括单元图像数据的图像梯度和块图像数据的图像梯度。

其中，将灰度化图像数据按照预设分割规则进行分割，得到单元图像数据；将单元图像数据按照预设块组合规则进行组合，得到块图像数据；分别获取单元图像数据的图像梯度和块图像数据的图像梯度，灰度化图像数据的图像梯度包括单元图像数据的图像梯度和块图像数据的图像梯度，从而将灰度化图像数据分割为小单元格和块，并计算每个单元格的图像梯度和块的图像梯度，最后将单元格的图像梯度和块的图像梯度组合得到整个灰度化图像数据的图像梯度。

进一步地，根据预设的权重投影函数，将梯度幅值按照梯度方向进行加权投影，得到灰度化图像数据的方向梯度直方图的步骤可以包括：

获取预设的权重投影函数；

根据权重投影函数分别将单元图像数据的图像梯度和块图像数据的图像梯度进行加权投影，得到单元图像数据的方向梯度直方图和块图像数据的方向梯度直方图，灰度化图像数据的方向梯度直方图包括单元图像数据的方向梯度直方图和块图像数据的方向梯度直方图。

其中，权重投影函数可以为图像的梯度幅值、梯度幅值的平方根或梯度幅值的平方，甚至可以使梯度幅值的省略形式，只需权重投影函数能够一定程度上反应出像素上一定的边缘信息即可。获得权重投影函数后，根据权重投影函数分别将单元图像数据的图像梯度和块图像数据的图像梯度进行加权投影，得到单元图像数据的方向梯度直方图和块图像数据的方向梯度直方图，灰度化图像数据的方向梯度直方图包括单元图像数据的方向梯度直方图和块图像数据的方向梯度直方图。通过为每个单元格和块构建方向梯度直方图，然后将单元格的方向梯度直方图和块的方向梯度直方图组合，得到灰度化图像数据完整的方向梯度直方图。在具体实现时，可以将单元格(cell)作为HOG特征最小的结构单位，先把整个灰度化图像数据分割为一个个大小相同的单元格，如每个单元格大小可以为8像素*8像素。将一个单元格的梯度方向360度共分成9个方向(bin)，即每20度及对角区域为一个方向块。例如：如果这个像素的梯度方向是20度-40度或者200度-220度，直方图第2个bin的计数就加一。这样，对单元格(cell)内每个像素用梯度方向在直方图中进行加权投影(映射到固定的角度范围)，就可以得到这个单元格(cell)的无加权梯度方向直方图。再将每个像素梯度大小作为投影的权值，计算获得该单元格(cell)对应的加权方向梯度直方图，即该单元格的特征向量。例如：这个像素的梯度方向是是20-40度或者200-220度，假设它的梯度大小是2，那么直方图第2个bin的计数就不是加1，而是加2。最后将所有的单元格(cell)组合起来，构成整幅图像。将单元格视为像素点，求得整个图像的梯度方向直方图(特征向量)。采用L2-Norm with Hysteresis threshold方式进行归一化，即将直方图向量中bin值的最大值限制为0.2以下，使数据在一个小范围内，通过将单元格组合成整个图像，从而得到待检测图像特征向量。

进一步地，根据待检测图像特征向量和预设的神经网络检测模型进行车位状态检测的步骤之前还可以包括：

采集车位样本图像数据；

从车位样本图像数据中提取车位样本图像特征向量；

将车位样本图像特征向量输入神经网络模型中进行训练，得到预设的神经网络检测模型。

其中，神经网络模型可以为三层神经网络，即包括输入层、隐藏层和输出层。通过采集车位样本图像数据，车位样本图像数据也可以从摄像机拍摄的视频流中截取得到，然后从车位样本图像数据中提取车位样本图像特征向量，最后将车位样本图像特征向量输入神经网络模型中进行训练，得到神经网络检测模型。对神经网络模型进行训练时，可以采用反向传播法对输入进行训练。

更进一步地，采集车位样本图像数据时，可以获取的停车场车位摄像机拍摄的视频流数据分解为多张连续的单帧样本图像数据，具体的，可以据车位检测区域设定的最大值和最小值，乘以随机系数，使每帧图像所截取的车位区域有所不同，以便扩展车位样本图像数据。然后对截取出来的单帧样本图像数据根据有车、无车状态进行分类，并删除其中相似度较高的图像数据。再对图像进行系数为1/1.22的伽马校正，减小停车场内由于光线强弱不同对图像特征带来的影响。然后将图像进行尺寸缩放至48像素*64像素统一大小，将尺寸缩放后的图像进行灰度化处理，从而得到一定数量的车位样本图像数据。具体的，可以最终选取车位有车、无车图像各300张作为训练样本，用于对神经网络模型进行训练，剩余的图像作为测试样本，用于测试神经网络模型的训练结果。

进一步地，将车位样本图像特征向量输入神经网络模型中进行训练时，可以将滑动窗口大小设置为与车位样本图像数据的大小相同，步长设置为0，若车位样本图像数据的大小被缩放至48像素*64像素，可以将块(block)大小设置为16像素*16像素，块(block)移动步长为8像素*8像素，细胞单元(cell)大小设置为8像素*8像素，然后对计算块图像数据的图像梯度。之后设置方向单元数(bins)为9，分别向9个方向进行权重投影，对重叠块里的cell进行对比度归一化，将block内的直方图向量组成为一个大的方向梯度直方图的特征向量。具体的，可以获取600份，即有车状态和无车状态各300份训练样本的HOG特征向量后，输入至神经网络模型中进行训练，得到神经网络检测模型。训练完成后，使用同样的特征向量提取方法，提取测试样本的特征向量，然后对神经网络检测模型进行对应调整，如修改中间隐含层节点数、微调样本图片等，重新训练，直到神经网络检测模型的车位状态检测正确率达标。

基于此，本申请还提供一种车位状态检测系统。

图4为本申请一实施例中车位状态检测系统的结构示意框图。如图4所示，本实施例中，车位状态检测系统包括：

图像数据获取模块401，用于获取待检测车位的图像数据；

特征向量提取模块403，用于从待检测车位的图像数据中提取待检测图像特征向量；

车位状态检测模块405，用于根据待检测图像特征向量和预设的神经网络检测模型进行车位状态检测；

检测结果推送模块407，用于获取并推送车位状态检测的结果。

上述车位状态检测系统，通过图像数据获取模块获取待检测车位的图像数据，通过特征向量提取模块从待检测车位的图像数据中提取待检测图像特征向量，通过车位状态检测模块根据待检测图像特征向量和预设的神经网络检测模型进行车位状态检测，最后通过检测结果推送模块获得并推送车位状态检测的结果。本实施例的方案从待检测车位的图像数据中提取待检测图像特征向量，并将该待检测图像特征向量输入预设的神经网络检测模型中进行车位状态检测，有效地提高了车位状态检测的抗干扰性，提高了车位状态检测的准确率。

基于上述车位状态检测方法和系统，本申请还提供一种计算机可读存储介质和一种计算机设备。

在一个实施例中，本申请的计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上所述车位状态检测方法的步骤。

在一个实施例中，本申请的计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上所述车位状态检测方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种车位状态检测方法，其特征在于，包括步骤：

获取待检测车位的图像数据；

从所述待检测车位的图像数据中提取待检测图像特征向量；

根据所述待检测图像特征向量和预设的神经网络检测模型进行车位状态检测；

获取并推送所述车位状态检测的结果。

2.根据权利要求1所述的方法，其特征在于，所述获取待检测车位的图像数据的步骤包括：

采集待检测车位的视频流数据；

从所述视频流数据中提取待检测车位的单帧图像数据；

确认车位检测区域；

根据所述车位检测区域从所述单帧图像数据中截取待检测车位的图像数据。

3.根据权利要求1所述的方法，其特征在于，所述从所述待检测车位的图像数据中提取待检测图像特征向量的步骤包括：

将所述待检测车位的图像数据按照预设尺寸进行缩放，得到缩放后的图像数据；

对所述缩放后的图像数据进行伽马校正，得到校正后的图像数据；

对所述校正后的图像数据进行灰度化处理，得到灰度化图像数据；

从所述灰度化图像数据中提取待检测图像特征向量。

4.根据权利要求3所述的方法，其特征在于，所述从所述灰度化图像数据中提取待检测图像特征向量的步骤包括：

获取所述灰度化图像数据的图像梯度，所述图像梯度包括梯度幅值和梯度方向；

根据预设的权重投影函数，将所述梯度幅值按照所述梯度方向进行加权投影，得到所述灰度化图像数据的方向梯度直方图；

通过预设归一化函数将所述灰度化图像数据的方向梯度直方图进行归一化处理，得到所述灰度化图像数据的方向梯度直方图特征向量，所述待检测图像特征向量包括所述方向梯度直方图特征向量。

5.根据权利要求4所述的方法，其特征在于，所述获取所述灰度化图像数据的图像梯度的步骤包括：

将所述灰度化图像数据按照预设分割规则进行分割，得到单元图像数据；

将所述单元图像数据按照预设块组合规则进行组合，得到块图像数据；

分别获取所述单元图像数据的图像梯度和所述块图像数据的图像梯度，所述灰度化图像数据的图像梯度包括所述单元图像数据的图像梯度和所述块图像数据的图像梯度。

6.根据权利要求5所述的方法，其特征在于，所述根据预设的权重投影函数，将所述梯度幅值按照所述梯度方向进行加权投影，得到所述灰度化图像数据的方向梯度直方图的步骤包括：

获取预设的权重投影函数；

根据所述权重投影函数分别将所述单元图像数据的图像梯度和所述块图像数据的图像梯度进行加权投影，得到单元图像数据的方向梯度直方图和块图像数据的方向梯度直方图，所述灰度化图像数据的方向梯度直方图包括所述单元图像数据的方向梯度直方图和所述块图像数据的方向梯度直方图。

7.根据权利要求1所述的方法，其特征在于，所述根据所述待检测图像特征向量和预设的神经网络检测模型进行车位状态检测的步骤之前包括：

采集车位样本图像数据；

从所述车位样本图像数据中提取车位样本图像特征向量；

将所述车位样本图像特征向量输入神经网络模型中进行训练，得到所述预设的神经网络检测模型。

8.一种车位状态检测系统，其特征在于，包括：

图像数据获取模块，用于获取待检测车位的图像数据；

特征向量提取模块，用于从所述待检测车位的图像数据中提取待检测图像特征向量；

车位状态检测模块，用于根据所述待检测图像特征向量和预设的神经网络检测模型进行车位状态检测；

检测结果推送模块，用于获取并推送所述车位状态检测的结果。

9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。

10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。